XiaoMi-AI文件搜索系统
World File Search System头带
Muse 2头带规格（神经元跟踪）
●Cruz-Garza，J。G.，Darfler，M.，Rounds，J.D.，Gao，E。，＆Kalantari，S。（2022）。基于脑电图对房间大小和窗户放置对认知性能的影响的研究。建筑工程杂志，53，104540。https://doi.org/https://doi.org/10.1016/j.jobe.2022.104540●Segawa，J.A.（2019）。使用低成本脑电图（EEG）设备的实践本科体验。本科神经科学教育杂志。17（2），A119 – A124。https://www.ncbi.nlm.nih.gov/pmc/articles/pmc6650260/●Tian，K。（2018）。 缪斯头带：锁定人员的潜在沟通工具。 机械工程研究，8，16。 E. A.和V.-C。 M. D.和De F. S.和L. F.和G.-G. A. R.（2009）。 评估Neurosky在评估练习中检测注意力水平的可用性。 在J. 中 A. Jacko（ed。 ），人类计算机https://www.ncbi.nlm.nih.gov/pmc/articles/pmc6650260/●Tian，K。（2018）。缪斯头带：锁定人员的潜在沟通工具。机械工程研究，8，16。 E. A.和V.-C。 M. D.和De F. S.和L. F.和G.-G. A. R.（2009）。评估Neurosky在评估练习中检测注意力水平的可用性。在J.A. Jacko（ed。），人类计算机
16mm Ca，可变形的VIS镜头带控制器 div>
动态光学镜头镜片是透射自适应光学器件，旨在轻松整合到任何光学系统中以校正光学畸变。这些镜头的设计使用10、16或25mm透明的光圈，以覆盖常见的学生尺寸和M32 x 0.75安装线，可以通过使用线程适配器来适应常见的客观螺纹类型。它们可以使用波前传感器或自动软件校正系统进行封闭环控制，以进行像差校正。动态光学变形镜头也可以与低功率激光器一起用于梁的塑形，例如将高斯光束塑造为椭圆形或方形束轮廓或立方相。这些镜片是光学相干断层扫描（OCT），共聚焦显微镜，2光子显微镜和明亮场显微镜的畸变校正的理想选择，以提高图像质量。
使用可穿戴脑感应头带的EEG信号引起的驱动器嗜睡的研究文章检测
摘要：驾驶员嗜睡检测在道路安全和高级驾驶辅助系统领域起着重要作用。脑电图（EEG）信号是疲劳和嗜睡最准确，最可靠的指标之一，但在检测嗜睡的情况下，其医学分级测量系统可能对驾驶员来说是侵入性的。这项研究的目的是测试消费者分级的脑电图传感器的可行性和可用性，以在驾驶员嗜睡检测系统中使用。实验是通过使用Muse的大脑感应头带进行的。快速傅立叶变换（FFT）方法用于从EEG信号中提取特征。然后，提取的特征数据随后用于构建两个分类模型，即支持向量机（SVM）和人工神经网络（ANN）。嗜睡的检测是二进制分类任务，它是在昏昏欲睡的时期和警报时期进行分类。在仅检测到昏昏欲睡的时期的情况下，SVM模型检测到82.7％的昏昏欲睡时期，这比ANN模型更好，而ANN模型只能检测到81.25％的昏昏欲睡时期。但是，在昏昏欲睡和警报时期的检测中，ANN模型的性能要比SVM更好。使用不同的内核函数测试了SVM模型，而精细的高斯SVM模型的精度最高为87.8％。ANN模型的执行略高于SVM模型，精度为87.9％。在这项研究中验证了消费者分级的EEG传感器在嗜睡检测系统中使用的能力。关键字：驱动程序嗜睡检测，脑电图（EEG），脑部计算机接口（BCI），支持向量机（SVM），人工神经网络（ANN）
便携式无线无光纤 fNIRS 头带与固定头罩式系统相比具有优势
本研究的目的是表征原型功能性近红外光谱 (fNIRS) 头带的性能，该头带旨在快速轻松地测量感觉运动皮层。事实上，fNIRS 非常适合人体工程学设计（即它们可以无线连接、对运动伪影具有相对的鲁棒性等特点），这导致了许多新型人体工程学 fNIRS 系统的最新实例；然而，fNIRS 测量的光学性质对测量头部毛发部分下方的大脑区域提出了固有的挑战。正是由于这个原因，迄今为止开发的大多数人体工程学 fNIRS 系统都以前额叶皮层为目标。在本研究中，我们比较了新型便携式 fNIRS 头带与固定式全头罩 fNIRS 系统的性能，以测量 50 岁以上健康个体在简单的上肢和下肢任务中的感觉运动活动。两种 fNIRS 系统均在上肢和下肢任务中表现出预期的血流动力学活动模式，并且两种系统之间的对比度与噪声比的比较表明，原型 fNIRS 头带在检测这些任务期间感觉运动皮层生理反应的能力方面并不逊色于全头罩 fNIRS 系统。这些结果表明，使用无线和无光纤 fNIRS 设计在感觉运动皮层进行测量是可行的。
使用头带和深度学习减少运动图像中的响应时间” 2279
摘要：检测运动图像的脑电图（EEG）信号已用于帮助迁移率低的患者。但是，捕获EEG信号的常规大脑计算机接口（BCI）通常需要插入的设备和电缆与机器相关的电缆。最近，出现了一些商业性低的BCI头带，但电极少于常规BCI。一些作品证明了头带检测基本运动图像的能力。但是，所有这些作品都集中在检测的准确性上，使用大于10 s的会话大小，以提高准确性。这些会话大小可防止执行器使用头带在足够的响应时间内与用户交互。在这项工作中，我们探索了仅使用深度学习来检测右 /左手运动图像的低侵入设备中时间响应的减少。获得的模型能够降低检测时间，同时保持检测中可接受的精度。我们的发现报告了2 s的响应时间以高于83.8％的精度克服了使用低侵入和高侵入设备的相关作品。因此，我们的低侵入性和低成本解决方案可以在响应时间减少2 s的交互式系统中使用。